在 GitHub 上编辑页面 (EN)

YOLOv5 与 DAMO-YOLO：综合技术对比

实时 计算机视觉 领域不断演进，研究人员和工程师们都在努力追求准确性、速度和易用性之间的完美平衡。Ultralytics YOLOv5 和阿里巴巴的 DAMO-YOLO 是推动这一进程的两个杰出模型。

本指南对它们的架构、性能指标和训练方法进行了深入的技术分析，旨在帮助你为下一个部署项目选择合适的模型。

模型背景

在深入探讨技术细节之前，了解这些具有影响力的视觉模型背后的起源和核心设计理念至关重要。

Ultralytics YOLOv5

YOLOv5 由 Glenn Jocher 和 Ultralytics 团队开发，自发布以来已成为行业标准。它基于 PyTorch 框架原生构建，优先考虑了简化的开发体验和开箱即用的强大部署能力。

了解更多关于 YOLOv5 的信息

DAMO-YOLO

DAMO-YOLO 由阿里巴巴集团的研究人员创建，重点关注神经架构搜索 (NAS) 和先进的蒸馏技术。它突破了硬件特定性能的理论极限，非常适合需要极端调优的研究和边缘计算环境。

了解更多关于 DAMO-YOLO 的信息

架构创新

这两个模型都利用了独特的结构概念来实现实时性能，尽管它们的方法大相径庭。

YOLOv5：稳定性和多功能性

YOLOv5 使用改进的 CSP（跨阶段局部）主干网络，并配以 PANet（路径聚合网络）颈部结构。这种结构效率极高，最大限度地减少了训练和推理过程中的 CUDA 内存占用。

YOLOv5 最大的优势之一是其 任务的多功能性。除了边界框预测外，它还为 图像分割 和 图像分类 提供了专用架构，使开发人员能够围绕一个统一且连贯的框架来标准化他们的视觉流水线。

DAMO-YOLO：自动化架构搜索

DAMO-YOLO 的核心创新是其 MAE-NAS 主干网络。通过多目标进化搜索，阿里巴巴团队发现了能够动态平衡检测精度和推理速度的主干网络。

此外，它还采用了 Efficient RepGFPN 颈部结构以实现更好的特征融合，这对于 卫星图像分析 中常见的复杂尺度变化非常有益。其 ZeroHead 设计简化了最终预测层以降低延迟，尽管这种复杂的结构生成可能使架构变得刚性，在自定义应用中较难修改。

内存需求

基于 Transformer 的架构通常会面临高显存消耗的问题。YOLOv5 和 DAMO-YOLO 都利用高效的卷积设计来保持较低的内存占用，但 Ultralytics 模型针对消费级 GPU 进行了显著优化，这使得它们对独立研究人员和初创公司更加友好。

性能与指标

评估实时目标检测器需要查看一个包含 mAP（平均精度均值）、推理速度和模型大小参数的矩阵。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(ms)		速度
T4 TensorRT10
(ms)		参数
(M)		FLOPs
(B)
YOLOv5n64028.073.61.122.67.7
YOLOv5s64037.4120.71.929.124.0
YOLOv5m64045.4233.94.0325.164.2
YOLOv5l64049.0408.46.6153.2135.0
YOLOv5x64050.7763.211.8997.2246.4
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3

虽然 DAMO-YOLO 在特定参数量下能达到极具竞争力的 mAP 分数，但 YOLOv5 在 TensorRT 速度和 nano/small 配置下的参数量方面始终表现出色。这种性能平衡确保了 YOLOv5 能够在各种边缘部署场景中高效运行。

训练效率与生态系统

模型的理论精度好坏取决于其实际可实现性。这是两个模型分歧很大的地方。

蒸馏的复杂性

DAMO-YOLO 严重依赖多阶段训练方法。它实施了一种称为 AlignedOTA 的教师-学生知识蒸馏技术。虽然这能从学生模型中提取出最大性能，但它首先需要训练一个巨大的教师模型。这极大地增加了计算时间、能源成本和所需的硬件，成为了敏捷机器学习团队的瓶颈。

Ultralytics 的优势：易用性

相反，Ultralytics 生态系统 以其直观的 API 和 训练效率 而闻名世界。在活跃的开发和庞大的开源社区支持下，开发人员可以无缝地进行训练、验证和部署模型。

from ultralytics import YOLO

# Load a pretrained YOLOv5 model
model = YOLO("yolov5s.pt")

# Train on a custom dataset effortlessly
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export to ONNX format for deployment
model.export(format="onnx")

Ultralytics 还通过 Weights & Biases 和 Comet ML 等工具提供了对 实验跟踪 的内置支持，从而创造了顺畅的工作流。

实际应用场景

  • YOLOv5 在快节奏的生产环境中表现优异。其直接的导出能力使其成为 智能零售分析、高速制造缺陷检测以及通过 CoreML 集成到移动应用程序中的首选。
  • DAMO-YOLO 非常适合严格的学术基准测试，以及在拥有大量计算资源可用于执行长时间、蒸馏训练运行，旨在为特定、固定的硬件目标榨取微小 mAP 提升的场景。

用例与建议

在 YOLOv5 和 DAMO-YOLO 之间进行选择，取决于你的具体项目需求、部署约束和生态系统偏好。

何时选择 YOLOv5

YOLOv5 是以下场景的有力选择：

  • 经过验证的生产系统： 在那些重视 YOLOv5 长期稳定性、详尽文档和庞大社区支持的现有部署中。
  • 资源受限的训练： 在 GPU 资源有限且 YOLOv5 高效的训练流水线和较低内存需求更具优势的环境中。
  • 广泛的导出格式支持： 项目需要部署到多种格式，包括 ONNX、TensorRT、CoreML 和 TFLite。

何时选择 DAMO-YOLO

DAMO-YOLO 推荐用于：

  • 高吞吐量视频分析： 在固定 NVIDIA GPU 基础设施上处理高 FPS 视频流，其中 batch-1 吞吐量是主要指标。
  • 工业制造生产线： 专用硬件上具有严格 GPU 延迟约束的场景，例如装配线上的实时质量检测。
  • 神经架构搜索研究： 研究自动化架构搜索（MAE-NAS）和高效重参数化骨干网络对检测性能的影响。

何时选择 Ultralytics (YOLO26)

对于大多数新项目，Ultralytics YOLO26 提供了性能与开发者体验的最佳结合：

  • 无需 NMS 的边缘部署： 需要持续、低延迟推理且无需复杂非极大值抑制后处理的应用。
  • 仅 CPU 环境： 在没有专用 GPU 加速的设备上，YOLO26 的 CPU 推理速度提升高达 43%，这提供了决定性优势。
  • 小目标检测： 具有挑战性的场景，如 航拍无人机图像 或 IoT 传感器分析，ProgLoss 和 STAL 在小目标上显著提升了准确性。

下一次进化：YOLO26

如果你正在启动一个新项目，强烈建议着眼未来。Ultralytics YOLO26 在 YOLOv5 令人惊叹的基础上更进一步，融合了重新定义最前沿视觉 AI 的革命性进展。

为什么要升级到 YOLO26？

YOLO26 发布后广受好评，是原生端到端的。它采用了 端到端无 NMS 设计，完全消除了非极大值抑制后处理，实现了更快速、更简单的部署。

YOLO26 的关键创新包括：

  • MuSGD 优化器： 受 LLM 训练创新的启发，这种 SGD 和 Muon 的混合体确保了高度稳定的训练和快速的收敛。
  • 高达 43% 的 CPU 推理加速： 针对边缘计算进行了深度优化，非常适合无需专用 GPU 的物联网设备。
  • ProgLoss + STAL： 先进的损失函数，显著提高了小目标的识别能力，这对 空中无人机图像 和机器人技术至关重要。
  • 特定任务改进： 从 旋转边界框 (OBB) 的专用角度损失，到用于精确 姿态估计 的残差对数似然估计 (RLE)，YOLO26 能轻松处理复杂领域。

总结

YOLOv5 和 DAMO-YOLO 都已在目标检测史上奠定了自己的地位。DAMO-YOLO 仍然是神经架构搜索和蒸馏领域引人入胜的研究对象。然而，对于优先考虑 维护良好的生态系统、易用性 以及 快速生产路径 的组织来说，Ultralytics 模型仍然是无与伦比的。

我们强烈建议使用 Ultralytics 平台 来标注、训练和部署像 YOLO26 这样的下一代模型，确保你的计算机视觉流水线能够面向未来、速度快且精度卓越。

进一步阅读

  • 探索基于 Transformer 的 RT-DETR 以满足高精度应用需求。
  • 了解上一代 YOLO11 模型。
  • 探索如何使用 OpenVINO 优化部署。
Contributors
在 GitHub 上编辑页面 (EN)
GLglenn-jocher12PDpderrenger1

评论